Indicazioni chiave
Ecco i passi essenziali per creare un piano strategico di successo e implementare il deep learning nei tuoi processi produttivi.
- Forma un team interfunzionale per definire gli obiettivi e valutare il potenziale del deep learning.
- Scegli un progetto “faro” con obiettivi realistici per dimostrare il ROI.
- Il deep learning si distingue laddove i sistemi tradizionali falliscono, gestendo variazioni e difetti complessi.
- Addestra i sistemi con set di dati etichettati per distinguere efficacemente i pezzi buoni da quelli difettosi.
Il deep learning può essere d’aiuto in questi scenari, ma il successo dell’implementazione e i risultati finali dipendono dall’adozione dei passi necessari in anticipo. In genere, i progetti di deep learning prevedono quattro fasi: pianificazione, raccolta dei dati ed etichettatura di dati di campo (ground truth), ottimizzazione e test di accettazione in fabbrica. Qui di seguito analizziamo la fase 1, la fase di pianificazione.
Riunisci un team, identifica gli obiettivi
Se un’azienda decide di implementare una soluzione di deep learning, deve mettere insieme un team di diversi stakeholder per esaminare il processo attuale, definire nuovi obiettivi e stabilire se il deep learning può aiutare a raggiungerli. Questo team dovrebbe essere composto dalla direzione dello stabilimento, dall’automazione, dal controllo qualità e da un integratore di sistemi/costruttore di macchine. Gli obiettivi devono essere ben definiti, coerenti e condivisi da tutti i membri del team. Tra questi, la riduzione delle fughe di prodotti difettosi/inaccettabili (underkill), il controllo dei costi grazie alla riduzione degli scarti (overkill) o dei prodotti o parti difettose/inaccettabili, o la fornitura di ulteriori funzionalità di classificazione dei difetti oltre alla determinazione di “buono” o “cattivo”.
Se il team collaborativo decide di andare avanti, un passo consiste nell’individuare un progetto “faro” che possa essere utilizzato per giustificare alla dirigenza il dispendio di risorse. Questo progetto non dovrebbe prevedere obiettivi irrealistici. Dovrebbe essere un progetto né troppo facile né troppo difficile e in grado di produrre un rendimento solido per far capire alla dirigenza che le future implementazioni del deep learning potrebbero essere fattibili.
Scegliere un progetto e procedere
Per alcuni produttori, una soluzione di visione artificiale esistente potrebbe aver prodotto un numero eccessivo di falsi negativi o falsi positivi, oppure il sistema potrebbe aver smesso di funzionare correttamente a causa di troppe variazioni di prodotto o cambiamenti ambientali. Nell’ispezione elettronica del settore automotive, ad esempio, le applicazioni di saldatura a punti terminali possono presentare problemi per i sistemi basati su regole.
La saldatura a punti terminali produce un’ampia varietà di tipi di saldatura, tra cui quella a forcina, quella da filo a pad e quella da filo a filo, che creano una proiezione 3D del metallo leggermente variabile con superfici riflettenti. Quando un sistema di visione artificiale acquisisce immagini di saldatura a punti terminali, spesso contengono riflessi, ombre, aree colorate e texture superficiale, anche nel caso di parti ottimali. Questi effetti sono spesso simili a difetti reali, come crepe, graffi, bruciature e saldature eccessive o mancanti. Queste variazioni naturali creano problemi ai sistemi di visione artificiale tradizionali, a causa della loro incapacità di ispezionare in modo affidabile le saldature e di distinguere i pezzi buoni da quelli cattivi.
I sistemi di ispezione basati sul deep learning vengono addestrati su set di dati valutati ed etichettati da esperti interni. Questo aiuta il software a distinguere tra parti buone e difettose e persino a individuare il tipo di problema in un prodotto difettoso. Grazie a queste capacità, il software di deep learning rappresenta una valida alternativa all’ispezione manuale e ai test elettrici, intervenendo laddove gli algoritmi basati su regole non sono in grado di farlo.
Nella parte 2 di questa serie di blog, esamineremo la raccolta di dati e il Ground Truth. Leggi la parte 3 per scoprire Come ottimizzare il tuo deployment di Deep Learning e la Parte 4 Test di accettazione in fabbrica.